面向移动活动监测的异质标签与模型联邦学习
机器学习
2020-12-07 v1
摘要
诸如辅助生活、跌倒检测等多种医疗应用需要通过人类活动识别（HAR）对用户行为建模。此类应用要求利用机器学习技术从多个资源受限的用户设备刻画洞察，以实现有效的个性化活动监测。设备端联邦学习被证明是一种分布式协作机器学习的有效方法。然而，在解决跨用户的统计（非独立同分布数据）和模型异质性方面存在多种挑战。此外，本文探讨了一个引人关注的新挑战——在联邦学习过程中处理跨用户的标签（活动）异质性。为此，我们提出了一种基于标签的联邦聚合框架，其利用模型蒸馏更新跨活动的重叠信息增益。我们还提出，从设备到服务器传输模型分数而非模型权重已足够。在 Raspberry Pi 2 上使用异质人类活动识别（HHAR）数据集（为有效阐明结果采用四种活动）的实证评估表明，确定性准确率平均至少提升约 11.01%，从而展示了我们所提框架的设备端能力。
引用
@article{arxiv.2012.02539,
title = {Federated Learning with Heterogeneous Labels and Models for Mobile Activity Monitoring},
author = {Gautham Krishna Gudur and Satheesh K. Perepu},
journal= {arXiv preprint arXiv:2012.02539},
year = {2020}
}
备注
8 pages, 5 figures, Machine Learning for Mobile Health Workshop at NeurIPS 2020. arXiv admin note: substantial text overlap with arXiv:2011.03206